Hubungi Kami
 Durasi 14 jam

Kerangka Materi

Pengenalan Kontainerisasi untuk AI & ML

  • Konsep inti kontainerisasi
  • Mengapa kontainer ideal untuk beban kerja ML
  • Perbedaan utama antara kontainer dan mesin virtual

ekerja dengan Gambar dan Kontainer Docker

  • Memahami gambar, lapisan, dan registri
  • Mengelola kontainer untuk eksperimen ML
  • Memakai CLI Docker secara efisien

Pengemasan Lingkungan ML

  • Mempersiapkan basis kode ML untuk kontainerisasi
  • Mengelola lingkungan Python dan dependensi
  • Integrasi CUDA dan dukungan GPU

Membangun Dockerfiles untuk Machine Learning

  • Menstrukturkan Dockerfiles untuk proyek ML
  • Praktik terbaik untuk kinerja dan maintainability
  • Memakai multi-stage builds

Mengontainerisasi Model dan Pipeline ML

  • Mengemas model terlatih ke dalam kontainer
  • Mengelola strategi data dan penyimpanan
  • Men-deploy alur kerja end-to-end yang dapat direproduksi

Menjalankan Layanan ML Berbasis Kontainer

  • Mengungkap endpoint API untuk inferensi model
  • Men-scalable layanan dengan Docker Compose
  • Memantau perilaku runtime

Pertimbangan Keamanan dan Kepatuhan

  • Memastikan konfigurasi kontainer yang aman
  • Mengelola akses dan kredensial
  • Menangani aset ML rahasia

Deployment ke Lingkungan Produksi

  • Menerbitkan gambar ke registri kontainer
  • Men-deploy kontainer di setup on-prem atau cloud
  • Versiing dan memperbarui layanan produksi

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pemahaman tentang alur kerja machine learning
  • Pengalaman dengan Python atau bahasa pemrograman serupa
  • Kenalan dengan operasi command-line Linux dasar

Target Audiens

  • Insinyur ML yang men-deploy model ke produksi
  • Ilmuwan data yang mengelola lingkungan eksperimen yang dapat direproduksi
  • Pengembang AI yang membangun aplikasi berbasis kontainer yang scalable

Jumlah Peserta


Harga per Peserta

Testimoni (2)

Kursus Mendatang

Kategori Terkait